本發(fā)明屬于泛函逼近的旋轉機械預測方法領域，具體涉及基于ceemd與小波包變換相結合特征提取，并采用多特征融合技術對非線性信號進行降維處理的方法。

背景技術：

隨著科學技術上的突破與飛躍，旋轉機械設備故障的診斷和預測得到人們廣泛關注，而大型旋轉機械設備也隨著時代的發(fā)展自動化、精密化、復雜化程度越來越高，工作環(huán)境的要求也越來越嚴格。設備會隨著時間的推移逐漸進入耗損故障高發(fā)階段。工廠中的整條生產線可能會由于單獨零部件發(fā)生故障而癱瘓，既會給企業(yè)造成經濟危機又可能發(fā)生人員意外傷亡的風險。對于性能退化預測方法的研究，正是為了預估設備的損壞時間及要發(fā)生故障的零部件及時進行更換，保證設備正常運行延長設備使用壽命。

國外方面，20世紀60年代，滾動軸承狀態(tài)監(jiān)測技術開始迅速發(fā)展。1962年，gustafsson和tallian研究發(fā)現(xiàn)可以通過滾動軸承振動加速度信號的峰值變化來振動軸承的早期故障。1974年，美國波音公司的d.r.harting開啟了共振解調技術領域的先鋒。1998年，nordene.huang等人提出了一種新型信號處理方法hilbert-huang變換，將信號分解成多個imf分量并進行hilbert變換。

國內方面，20世紀80年代開始出現(xiàn)滾動軸承故障檢測的相關研究。燕山大學時培明，許帥等提出基于小波去噪與eemd(集合經驗模態(tài)分解：針對emd方法的不足，提出的一種噪聲輔助數(shù)據(jù)分析方法，分解原理為當附加的白噪聲均勻分布在整個時頻空間時，該時頻空間就由濾波器組分割成的不同尺度成分組成)包絡解調相結合的軸承故障診斷方法，尤其針對強噪聲環(huán)境有著非常顯著的效果，能夠準確地診斷出滾動軸承內外圈故障頻率。2010年，大連理工大學蘇文勝提出一種基于小波包樣本熵的滾動軸承故障診斷和預測方法，計算全壽命周期軸承試驗臺數(shù)據(jù)的小波包樣本熵，利用emd(經驗模態(tài)分解：是hilbert-huang變換(hht)的核心算法，通過算法過程定義，而并非由確定的理論公式定義，目的在于將性能不好的信號分解為一組性能較好的本征模函數(shù))提取其中趨勢，可以較好地預測滾動軸承的運行狀態(tài)。

滾動軸承在機械設備中的重要程度不言而喻，其性能好壞直接影響整個機器運行，而且又是故障多發(fā)的部件，壽命離散程度也大。如果對滾動軸承僅僅只是按照設計壽命對其進行定期維修會造成過度維修或者欠維修，造成資源浪費，因此對性能衰退預測和故障預測甚為重要。而機械設備故障診斷的發(fā)展基礎是基于信號處理與分析并結合模式識別的理論方法來實現(xiàn)的，有眾多的模式識別方法，其結果好壞由計算收斂速度、相關度、精確度等指標來評價。因此，應針對不同的應用對象來選取適合的評價指標。

針對振動信號的故障特征集存在信息冗余，計算量較大，進而造成算法準確率極大降低的問題，我們需要對多特征參數(shù)進行維數(shù)約減。運用pca(主成分分析：實質是盡可能好地代表原特征情況下，將原特征進行線性變換、映射至低維空間中)降維，滾動軸承各階段損傷混雜在一起，并沒有很好區(qū)分開。kpca(核主成分分析：基本思想是通過某種隱式方式將輸入空間映射到某個高維空間(常稱為特征空間)，并且在特征空間中實現(xiàn)pca)通過與核函數(shù)相結合把數(shù)據(jù)投影至高維的空間，并在該空間中學習，損傷表現(xiàn)有所區(qū)分，卻又不明顯。lle將高維特征數(shù)據(jù)投影至相同的全局低維坐標中，降維后，雖可以明顯區(qū)分，但還存在部分混疊現(xiàn)象。而采用lle和模糊c均值結合的方法對滾動軸承衰退階段的變化有很好的聚類效果，聚類中間比較集中且無混疊現(xiàn)象，聚類集中程度較高。

機械設備健康維修主要實現(xiàn)手段之一是提取對機械設備的衰退變化進行預測與評估，主要有單一特征參數(shù)和多特征參數(shù)的性能退化評價。單一振動信號的性能衰退評估方法容易實現(xiàn)且原理簡單，但信息不全面，敏感性差，不能很好反映大型設備的運行狀態(tài)。同時基于多特征參數(shù)的退化評估包含信息量大，可以綜合考慮多個參數(shù)對其自身的影響，能夠對多參數(shù)進行最優(yōu)選取，抗干擾能力強。但多特征參數(shù)存在信息量大和敏感程度差等缺點，不能全面對軸承退化進行評價。因此合理的選用衰退評價指標是判斷滾動軸承衰退過程的重要依據(jù)。

綜上，首先要提出合適的特征提取的方法，貼近原始信號，達到更好的降噪效果。接著，提出合適的特征降維方法，提高滾動軸承衰退階段的分類精度，且具有很好的損傷識別效果。其次，確保性能衰退預測算法的精確度，更好地對滾動軸承的衰退過程進行精確預測。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于磷蝦群算法的svr滾動軸承性能衰退預測方法，該方法基于ceemd和小波包閾值降噪的特征提取方法，真實地對滾動軸承進行故障診斷，又提出了基于c-lle的滾動軸承特征降維方法，提高滾動軸承衰退階段的分類精度，接著是基于磷蝦群算法的多變量支持向量回歸機的預測模型，預測精度高，計算用時短，聚類后的特征值預測效果好。

實現(xiàn)上述目的，本發(fā)明的技術方案是：

基于磷蝦群算法的svr滾動軸承性能衰退預測方法，所述的方法包括如下步驟：

步驟一；基于ceemd和小波包閾值降噪的特征提??；

分析時域、頻域、時頻域特征指標，反應滾動軸承的故障診斷能力，提出新的ceemd與小波包半軟閾值相結合的理論算法；

步驟二；基于c-lle的滾動軸承降維；

針對多特征參數(shù)對滾動軸承故障衰退特征進行評價，并對特征降維的多種方法進行理論分析，提出lle非線性特征降維方法與模糊c均值結合的方法，在滾動軸承整個監(jiān)測過程中，區(qū)分滾動軸承不同損傷程度，對滾動軸承退化趨勢進行預測和分類，將滾動軸承的正常振動信號和最終失效故障信號作為訓練數(shù)據(jù)，建立模糊c聚類模型；

步驟三；基于支持向量回歸機性能衰退預測；

在向量回歸機基本理論的基礎上，提出基于磷蝦群算法的多變量支持向量機的性能退化評估方法，采用磷蝦群算法對svr中的參數(shù)進行優(yōu)化，選取最優(yōu)c、σ參數(shù)。

本發(fā)明相對于現(xiàn)有技術的有益效果是：

本發(fā)明的基于磷蝦群算法的svr滾動軸承性能衰退預測方法，是一種新的ceemd與小波包半軟閾值相結合的算法，原始信號得到了精確重構。在保持emd方法的完備性的基礎上，相比eemd篩選迭代次數(shù)降低，計算速度也得到提高。半軟閾值相比于硬閾值和軟閾值，更好地降低均方根誤差，提高信噪比，從而有效地抑制噪聲，更貼近原始信號。而lle非線性特征降維方法與模糊c均值結合的方法，更為精確診斷出滾動軸承在不同衰退階段的變化趨勢。比較經過模糊c均值聚類后的pca、kpca、lle效果可知，lle有更好的聚類效果，聚類中間比較即集中且無混疊現(xiàn)象，聚類集中程度較高。同時遺傳算法的svr預測精度僅為98.6％，且平均相對百分比誤差較大，為5.74％，而磷蝦群算法的svr預測精度高達99.9％，近乎達到完美預測的程度，且平均相對百分比誤差較小，擬合程度高，具有較強的搜索能力。

附圖說明

圖1為滾動軸承振動信號特征提取與性能衰退預測研究工作的路線圖。

圖2為ceemd和小波包相結合的故障特征提取流程圖。

圖3為小波包分解去噪結果圖。

圖4為小波包分解去噪頻譜圖。

圖5為ceemd去噪方法仿真去噪結果圖。

圖6為ceemd去噪頻譜圖。

圖7為ceemd結合小波去噪方法仿真去噪結果圖。

圖8為ceemd結合小波去噪方法仿真去噪頻譜圖。

圖9為ceemd結合小波包去噪方法仿真去噪結果圖。

圖10為ceemd結合小波包去噪方法仿真去噪頻譜圖。

圖11為lle流形學習的模糊c均值流程圖。

圖12為pca降維后模糊c均值聚類圖。

圖13為kpca降維后模糊c均值聚類圖。

圖14為lle降維后模糊c均值聚類圖。

圖15為基于磷蝦群算法的多變量支持向量回歸機預測數(shù)據(jù)圖，即原始數(shù)據(jù)和回歸預測數(shù)據(jù)對比圖。

圖16為基于磷蝦群算法的變量支持向量回歸機相對誤差圖。

具體實施方式

具體實施方式一：如圖1所示，本實施方式的基于磷蝦群算法的svr滾動軸承性能衰退預測方法，所述的方法包括如下步驟：

步驟一；基于ceemd(完備總體經驗模態(tài)分解：與eemd類似，利用加入高斯白噪聲正負對的形式，對于重構信號中的殘余輔助噪聲具有很好的消除效果，從而減少重構誤差，提高計算速度)和小波包閾值降噪的特征提取；

分析時域、頻域、時頻域特征指標，反應滾動軸承的故障診斷能力，提出新的ceemd與小波包半軟閾值相結合的理論算法；

步驟二；基于c-lle(建立模糊c聚類模型，用lle流行算法對非線性數(shù)據(jù)降維，處理后的低維數(shù)據(jù)均能夠保持原有的拓撲關系)的滾動軸承降維；

針對多特征參數(shù)對滾動軸承故障衰退特征進行評價，并對特征降維的多種方法進行理論分析，提出lle非線性特征降維方法與模糊c均值(對高維特征數(shù)據(jù)建模，利用隸屬度來評價樣本點聚類效果優(yōu)劣的一種迭代優(yōu)化聚類算法)結合的方法，在滾動軸承整個監(jiān)測過程中，區(qū)分滾動軸承不同損傷程度，對滾動軸承退化趨勢進行預測和分類，將滾動軸承的正常振動信號和最終失效故障信號作為訓練數(shù)據(jù)，建立模糊c聚類模型；

步驟三；基于支持向量回歸機性能衰退預測；

在向量回歸機基本理論的基礎上，提出基于磷蝦群算法的多變量支持向量機的性能退化評估方法，采用磷蝦群算法(為已有方法)對svr(支持向量回歸機：是支持向量在函數(shù)回歸領域的應用，基本思想是通過事先確定的非線性映射將輸入向量映射的一個高維特征空間(hilbert空間)中，然后在此高維空間中再進行線性回歸，從而取得在原空間非線性回歸的效果)中的參數(shù)進行優(yōu)化，選取最優(yōu)c、σ(c值表示懲罰系數(shù)，如果c值過小則懲罰度小而訓練誤差增大，c值過大會導致泛化能力差而學習精度高。σ反映了支持向量之間的相關程度。σ如果特別小會導致svr間的聯(lián)系不緊密，推廣能力變差。σ值過大會使svr間的聯(lián)系過于強而不能達到精度要求)參數(shù)。

具體實施方式二：本實施方式是對具體實施方式一作出的進一步說明；

步驟一(首先要分析滾動軸承振動信號，滾動軸承中當噪聲信號足夠大而覆蓋了有用信息時，直接采用小波包閾值降噪會在去掉噪聲信號的同時，也去除掉了淹沒在噪聲中的有用信號。而采用ceemd直接舍棄高頻分量進行去噪，會造成高頻有效信號的損失問題，故采用ceemd和小波包相結合的方法)的具體步驟如下：

步驟一一；對安裝于滾動軸承座上的加速度傳感器設置采樣時間和頻率，然后確定加速度傳感器通道個數(shù)，并采集滾動軸承不同損傷狀態(tài)下的振動信號，接著預處理得到的故障信號，作為故障預測的輸入信號；對所述的滾動軸承原始信號進行ceemd分解，分解出從高頻到低頻(0～100hz為低頻段，101～250hz為中頻段，251～450hz為高頻段)的imf(本征模函數(shù)：任意一點的瞬時頻率都是有意義的，即函數(shù)必須是對稱的，局部均值為零，并且具有相同的過零點和極值點數(shù)目)分量，而滾動軸承的噪聲信號包含在高頻信號中；

步驟一二；確定高頻信號中含有噪聲的imf分量，選定合適的閾值函數(shù)，對高頻信號進行小波包閾值降噪處理；

步驟一三；對高頻區(qū)降噪后的imf分量和低頻區(qū)未降噪的imf分量進行信號重構，得到降噪后的信號。

具體實施方式三：本實施方式是對具體實施方式一作出的進一步說明；

步驟二(由于單一的特征參數(shù)不能良好地反映出滾動軸承正常運行過程中的變化，而多特征參數(shù)往往存在不相關性和信息冗余的問題，因此采用特征降維的方法把包含所有特征量的空間矩陣進行降維，采用基于c-lle的滾動軸承特征降維方法，在滾動軸承整個監(jiān)測過程中，不僅可以區(qū)分軸承不同損傷程度，而且可以對滾動軸承退化趨勢進行預測和分類。將滾動軸承的正常振動信號和最終失效故障信號作為訓練數(shù)據(jù)，建立模糊c聚類模型。首先故障特征提?。禾崛∮柧殬颖境跗趽p傷階段、中度損傷階段、嚴重損傷階段的故障信號中的時域、頻域及改進ceemd特征，以形成代表故障信號的高維特征集)的具體步驟如下：

步驟二一；故障特征提取：提取訓練樣本初期損傷階段、中度損失階段、嚴重損傷階段的故障信號中的時域、頻域及改進ceemd特征，以形成代表故障信號的高維特征集；

步驟二二；本征流形特征提取：針對滾動軸承的不同損傷程度，分別通過lle實現(xiàn)將高維特征集映射到低維空間；

步驟二三；滾動軸承性能評估模型確立：通過模糊c均值聚類方法分別求出初期、中度和重度損傷三種情況下故障信號的聚類中心c＝{cnormal，cfailure}，再求得每個樣本相對于正常樣本的隸屬度。c代表聚類中心，cnormal代表符合聚類中心的正常值，cfailure代表遠離聚類中心的失效值。

具體實施方式四：本實施方式是對具體實施方式一作出的進一步說明；

步驟三(在向量回歸機的基礎上，提出基于磷蝦群算法的多變量支持向量回歸機的性能退化評估方法，采用磷蝦群算法對svr中的參數(shù)進行優(yōu)化)的具體步驟如下：

步驟三一；訓練：通過磷蝦群算法對svr中的參數(shù)進行選取，找出相應的最優(yōu)參數(shù)，完成對數(shù)據(jù)模型的訓練；

步驟三二；測試：根據(jù)獲得的訓練模型，測試訓練數(shù)據(jù)集，檢測構建模型的準確性；

步驟三三；預測：利用訓練好的模型，對未知的樣本進行預測，得到預測結果；

為了能夠準確評價預測方法，采用如下的性能評價指標：

式中，mare代表平均絕對相對誤差，ytest代表預測值，yi為原始值，n代表序列長度。

具體實施方式五：本實施方式是對具體實施方式一作出的進一步說明；

步驟一中，所述的小波包閾值是一種小波包半軟閾值函數(shù)結合硬閾值和軟閾值的算法，其表達式如下：

式中：t1是閾值下限，t2是閾值上限，sgn(w)為符號函數(shù)，w為原始小波系數(shù)，η(w)為閾值化處理后得到的估計小波系數(shù)，i為經emd分解次數(shù)。

實施例1：

為了更清楚地說明本實施例，如圖1所示，基于磷蝦群算法的svr滾動軸承性能衰退預測方法，包括如下步驟：

步驟一、滾動軸承故障特征提取及降噪方法研究；

步驟二、滾動軸承非線性數(shù)據(jù)的高效特征降維；

步驟三、滾動軸承多變量支持向量回歸機性能衰退預測。

本實施例采用美國凱斯西儲大學滾動軸承故障試驗平臺對比驗證特征提取方法，設備包括：1.5kw的電動機、數(shù)據(jù)記錄儀、監(jiān)測系統(tǒng)、扭矩傳感器和功率測試計，測試風扇端滾動軸承為skf6203，電機轉速為1797rpm，采樣頻率為12khz，所述的滾動軸承外圈損傷點在3點鐘方向，故障直徑為0.5334mm。由加速度傳感器采集得到滾動軸承外圈故障試驗數(shù)據(jù)，同時在試驗的滾動軸承上采用電火花加工出同方向不同損傷深度的單點故障，分別為0.007英寸、0.014英寸、0.021英寸。對這同一故障類型的三種不同損傷程度的故障類型數(shù)據(jù)，每種損傷狀態(tài)各30組樣本，每組樣本又含有100個數(shù)據(jù)點。分別提取滾動軸承三種損傷階段的故障特征向量，每組各18個特征值，組成特征矩陣為n＝30×3×18＝1620。

首先，滾動軸承特征提取及降噪：

由于滾動軸承的信號采集受到工作環(huán)境(如噪聲)的影響，導致原始信號往往非線性，不穩(wěn)定。滾動軸承中當噪聲信號足夠大而覆蓋了有用信息時，直接采用小波包閾值降噪會在去掉信號噪聲信號的同時，也去除掉了淹沒在噪聲中的有用信號。而采用ceemd直接舍棄高頻分量進行去噪，會造成高頻有效信號的損失問題。因此，采用將ceemd和小波包相結合的方法，通過互補的方式來解決上述問題，圖2為ceemd和小波包相結合的故障特征提取流程圖。從圖3-圖10的對比可以看出，新的方法更加精確地診斷出滾動軸承的內圈故障，高頻信號的處理更加完善，保證信號噪聲的濾出和完整性。

其次，滾動軸承非線性數(shù)據(jù)的高效特征降維：

基于c-lle降維算法的基本流程如圖11所示。滾動軸承在整個健康監(jiān)測過程中，不僅可以區(qū)分滾動軸承不同損傷程度，而且可以對滾動軸承退化趨勢進行預測和分類。將滾動軸承的正常振動信號和最終失效故障信號作為訓練數(shù)據(jù)，建立模糊c聚類模型。不同特征參數(shù)對滾動軸承的損傷表現(xiàn)不同，因此多特征參數(shù)選取最具有代表性的特征尤為重要。對特征向量歸一化處理后，對多特征降維。從圖12-圖14可以看出，采用lle和模糊c均值結合的方法對滾動軸承衰退階段的變化有很好的聚類效果，聚類中間比較集中且無混疊現(xiàn)象，聚類集中程度較高。

再之，滾動軸承多變量支持向量回歸機性能衰退預測：

采用損傷直徑為0.007英寸的滾動軸承內圈故障數(shù)據(jù)，提取滾動軸承內圈的故障特征數(shù)據(jù)18個，并經過lle降維后由模糊c均值聚類后得到的前3個主要特征參數(shù)，組成3×30＝90特征向量。測試數(shù)據(jù)集的故障特征作為輸入，輸入故障診斷模型中進行故障診斷測試尋優(yōu)得到最優(yōu)c、σ值分別為2.83，11.31，采用磷蝦群算法進行數(shù)據(jù)預測結果如圖15所示。圖16可以看出基于磷蝦群算法的多變量支持向量回歸機的預測精度更高，且預測數(shù)據(jù)的回歸曲線基本與原始數(shù)據(jù)相重合，相對誤差量最小為0.48，svr預測精度高達99.45％。以此證明了新方法的可行性，能夠更好地對滾動軸承的衰退過程進行精確預測。